我国农村建设中遇到的最大问题就是人均耕地较少,而农作物产量直接受到种子活力的影响。常规的种子活力检测技术,尽管有着良好的检测结果,但是面临着试验成本高昂、所需周期较长、容易损伤种子等问题,且必须很大程度的依靠试验人员的知识与技术。本文以茄科中两个最重要的农作物番茄和茄子为研究对象,通过多光谱成像技术、机器学习结合标准发芽试验,可以获得与种子活力有关的光谱信息以及图像信息。本研究基于5通道光谱图像结合机器学习建立了茄子种子活力检测模型,同时基于图像提取的表型特征结合机器学习建立了茄子种子活力分类模型,基于19通道多光谱信息结合机器学习建立了番茄种子活力检测模型。证明利用多光谱特征、多光谱图像、种子形状颜色特征等与种子活力的相关关系建立种子活力分类模型,检测种子活力的方式是可行的,具有一定的发展潜力。通过5通道多光谱图像采集平台采集茄子种子5通道图像,利用均值滤波方法对图像去噪,再灰度化处理图像,然后利用阈值分割法分割图像,得到去除背景的单粒种子图像。为了避免样本小带来的泛化能力不足问题,对图像样本进行数据扩增。将扩增后的图像作为输入结合标准发芽试验结果,利用二维卷积神经网络建立种子活力检测模型,该模型训练集准确率为91.62%,测试集的准确率为84.35%。此外,对背景干净的单粒种子进行表型信息提取,得到种子的形状特征和颜色特征,包括茄子种子的RGB、HSV、Lab各分量均值的颜色特征和茄子种子的面积、长轴长、短轴长、周长、椭圆偏心率、x轴与椭圆长轴之间的角度、与当量直径的形状特征。将提取的所有数据进行标准化处理以避免单位不同对模型产生影响,提取的图像特征与种子标准发芽试验得到的种子活力参数作为数据集,利用主成分分析（Principal Component Analysis,PCA）提取10个可以代替原始数据99%以上信息的主成分,结合支持向量机分类算法（Support Vector Machine,SVM）建立茄子种子活力检测模型,结果表明该方法建立的模型训练集准确率为76.79%,测试集准确率为72.73%。该方法对比卷积神经网络的训练结果略差,但是简化了模型,降低了运算量,也可作为一种检测种子活力的基础方法。通过19通道多光谱图像采集系统采集番茄种子多光谱图像,原始光谱数据通过卷积平滑法（Savitzky-Golay Smoothing,SG）、标准正态变换（Standard Normal Variate transformation,SNV）、正交信号校正（Quadrature Signal Correction,OSC）等预处理方法进行预处理,再利用连续投影算法（Successive Projections Algorithm,SPA）、竞争自适应加权采样（Competitive Adapative Reweighted Sampling,CARS）、PCA 三种降维方法对预处理后的数据进行降维,几种降维处理后的多光谱数据以及全波段的多光谱数据分别结合SVM、线性判别分析（Linear Discriminant Analysis,LDA）结合标准发芽试验结果对种子活力进行建模。试验结果证明,OSC+CARS+SVM建立的分类模型得到的分类效果最佳,训练集的准确率为93.67%,测试集的准确率为93.67%。综上,3个试验结果表明利用种子的19通道多光谱信息建立种子活力检测模型具有最优的检测效果;利用5通道光谱图像建立的种子活力检测模型效果虽低于19通道多光谱信息的检测模型,但是其图像采集设备价格更经济;利用种子形状特征和颜色特征建立的种子活力检测模型的效果相比前两者较低,但也具有一定的准确率。表明本文提出的多光谱技术结合机器学习检测种子活力的方法具有可行性。